联邦学习下高效的隐私保护安全聚合方案

摘要：

联邦学习能使用户不共享原始数据的情况下,允许多个用户协同训练模型.为了确保用户本地数据集不被泄露,现有的工作提出安全聚合协议.但现有的多数方案存在未考虑全局模型隐私、系统计算资源与通信资源耗费较大等问题.针对上述问题,提出了联邦学习下高效的强安全的隐私保护安全聚合方案.该方案利用对称同态加密技术实现了用户模型与全局模型的隐私保护,利用秘密共享技术解决了用户掉线问题.同时,该方案利用Pedersen承诺来验证云服务器返回聚合结果的正确性,利用BLS签名保护了用户与云服务器交互过程中的数据完整性.此外,安全性分析表明该方案是可证明安全的;性能分析表明该方案是高效且实用的,适用于大规模用户的联邦学习系统.

关键词：联邦学习、安全聚合、隐私保护、同态加密、完整性

所属期刊栏目：32

分类号：TP309;TN918.1;TP181

在线出版日期：2023-11-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：175-181